A Two-Stage Sustainable Optimal Scheduling Strategy for Multi-Contract Collaborative Distributed Resource Aggregators
Notice bibliographique
Résumé
To address the challenges posed by the instability of renewable energy output and load fluctuations on grid operations and to support the low-carbon sustainable development of the energy system, this paper integrates artificial intelligence technology to establish an economic stability dispatch framework for distributed resource aggregators. A phased multi-contract collaborative scheduling model oriented toward sustainable development is proposed. Through intelligent algorithms, the model dynamically optimises decisions across the day-ahead and intraday phases: During the day-ahead scheduling phase, intelligent algorithms predict load demand and energy output, and combine with elastic performance-based response contracts to construct a user-side electricity consumption behaviour intelligent control model. Under the premise of ensuring user comfort, the model generates a 24 h scheduling plan with the objectives of minimising operational costs and efficiently integrating renewable energy. In the intraday scheduling phase, a rolling optimisation mechanism is used to activate energy storage capacity contracts and dynamic frequency stability contracts in real time based on day-ahead prediction deviations. This efficiently coordinates the intelligent frequency regulation strategies of energy storage devices and electric vehicle aggregators to quickly mitigate power fluctuations and achieve coordinated control of primary and secondary frequency regulation. Case study results indicate that the intelligent optimisation-driven multi-contract scheduling model significantly improves system operational efficiency and stability, reduces system operational costs by 30.49%, and decreases power purchase fluctuations by 12.41%, providing a feasible path for constructing a low-carbon, resilient grid under high renewable energy penetration.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».